mnist資料集首先下載好，在根目錄下建立一個資料夾（MNIST_data），把下載好的mnist資料集儲存在MNIST_data中，注意下載的mnist不用解壓，程式會自動解壓

下面程式碼包含：

一：網路結構只有全連線，比較簡單

二：能得到測試集的精確度，大約為百分之91

三：能夠儲存模型 

import tensorflow as tf
#載入資料集
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)
#one_hot引數指將資料轉成one_hot形式，如手寫數字是0-9，若為0 ，則轉為10維資料[1,0,0,0,0,0,0,0,0,0]。
#通過上兩句程式碼，能夠自動解壓整理資料集
#例如把訓練集的所有影象的畫素點序列化，並與影象數量組成二維矩陣
#分為六類，分別是train（又分images和labels類），validation，test
print("訓練集影象的尺寸：",mnist.train.images.shape)  # (55000, 784)
print("訓練集標籤的尺寸：",mnist.train.labels.shape)  # (55000, 10)
print("驗證集影象的尺寸：",mnist.validation.images.shape)  # (5000, 784)
print("驗證集標籤的尺寸：",mnist.validation.labels.shape)  # (5000, 10)
print("測試集影象的尺寸：",mnist.test.images.shape)  # (10000, 784)
print("測試集標籤的尺寸：",mnist.test.labels.shape)  # (10000, 10)


#設定引數
x = tf.placeholder("float", [None, 784])
# x 不是一個特定的值，而是一個佔位符 placeholder ，我們在TensorFlow執行計算時輸入這個值。
# 我們希望能夠輸入任意數量的MNIST影象，每一張圖展平成784維的向量。我們用2維的浮點數張量來表示這些圖，
# 這個張量的形狀是 [None，784 ] 。（這裡的 None 表示此張量的第一個維度可以是任何長度的。）
W = tf.Variable(tf.zeros([784,10]))
b = tf.Variable(tf.zeros([10]))
#我們的模型也需要權重值和偏置量，當然我們可以把它們當做是另外的輸入（使用佔位符），
#但TensorFlow有一個更好的方法來表示它們： Variable  。 一個 Variable 代表一個可修改的張量，
#存在在TensorFlow的用於描述互動性操作的圖中。它們可以用於計算輸入值，也可以在計算中被修改。
#W 的維度是[784，10]，因為我們想要用784維的圖片向量乘以它以得到一個10維的證據值向量，每一位對應不同數字類。
# b 的形狀是[10]，所以我們可以直接把它加到輸出上面。

#softmax迴歸：softmax模型可以用來給不同的物件分配概率
y = tf.nn.softmax(tf.matmul(x,W) + b)


#交叉熵定義為損失函式
#為了計算交叉熵，我們首先需要新增一個新的佔位符用於輸入正確值：
#行數無限的，列數我們預先知道
y_ = tf.placeholder("float", [None,10])

#然後計算交叉熵:y是預測概率分佈，y_是實際概率分佈
# tf.reduce_sum  計算張量的所有元素的總和
cross_entropy = -tf.reduce_sum(y_*tf.log(y)) #reduce_sum損失值的和

train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)
#在這裡，我們要求TensorFlow用梯度下降演算法（gradient descent algorithm）以0.01的學習速率最小化交叉熵
#因為TensorFlow擁有一張描述你各個計算單元的圖，它可以自動地使用反向傳播演算法(backpropagation algorithm)來
#有效地確定你的變數是如何影響你想要最小化的那個成本值的


saver = tf.train.Saver()#儲存或者讀取模型


#現在我們可以在一個Session會議裡面啟動我們的模型：

with tf.Session() as sess:
    #在執行計算之前，我們需要新增一個操作來初始化我們建立的變數
    sess.run(tf.initialize_all_variables())
    #然後開始訓練模型，這裡我們讓模型迴圈訓練1000次！
    for i in range(1000):
      batch_xs, batch_ys = mnist.train.next_batch(100)
      #隨機取batch_xs為100個訓練圖片，batch_ys為100個對應的標籤
      sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys})


    #評估我們的模型 
    #首先讓我們找出那些預測正確的標籤.tf.argmax是一個非常有用的函式，它能給出某個tensor物件在某一維上的其資料最大值所在的索引值。
    #由於標籤向量是由0,1組成，因此最大值1所在的索引位置就是類別標籤，
    #比如 tf.argmax(y,1) 返回的是模型對於任一輸入x預測到的標籤值，
    #而  tf.argmax(y_,1)  代表正確的標籤，
    #我們可以用  tf.equal  來檢測我們的預測是否真實標籤匹配(索引位置一樣表示匹配)。
    correct_prediction = tf.equal(tf.argmax(y,1), tf.argmax(y_,1))

    #這行程式碼會給我們一組布林值。為了確定正確預測項的比例，我們可以把布林值轉換成浮點數，然後取平均值。
    #例如， [True, False, True, True]  會變成  [1,0,1,1]  ，取平均值後得到  0.75 .
    accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))


    #最後，我們計算所學習到的模型在測試資料集上面的正確率。
    print ("準確率",sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels}))

    save_path = saver.save(sess,"save/model")